[Python知识库]爬虫学习笔记（十六）—— Selenium

Selenium是一个主要用于Web应用程序自动化测试的工具集合，在行业内已经得到广泛的应用。

一、简介

1.1、作用

1. 自动化测试
   通过它，我们可以写出自动化程序，模拟浏览器里操作web界面。 比如点击界面按钮，在文本框中输入文字等操作。
2. 获取信息
   而且还能从web界面获取信息。 比如招聘网站职位信息，财经网站股票价格信息 等等，然后用程序进行分析处理。

1.2、运行环境

Selenium测试直接运行在浏览器中，就好像一个真正的用户在操作一样， 支持大部分主流的浏览器，包括IE，Firefox，Safari，Chrome，Opera等。

我们可以利用它来模拟用户点击访问网站，绕过一些复杂的认证场景。

通过selnium+驱动浏览器这种组合可以直接渲染解析js，绕过大部分的参数构造和反爬。

1.3、注意事项

新版本的Selenium已经不在支持phantomjs，原作者也已经放弃维护该项目了。

还有在做爬虫的时候尽量不要用这种方法，Selenium+浏览器的组合速度慢，应付不了数据量比较大的爬取以及并发爬取。并且很吃电脑资源。

二、基本使用

2.1、原理

1. WebDriver API（基于Java、Python、C#等语言）

对于Python语言来说，就是下载下来的selenium库。

2. 浏览器的驱动（browser driver）

每个浏览器都有自己的驱动，均以exe文件形式存在

https://chromedriver.storage.googleapis.com/index.html

比如谷歌的chromedriver.exe、火狐的geckodriver.exe、IE的IEDriverServer.exe

3. 浏览器

浏览器当然就是我们很熟悉的常用的各种浏览器。

那在WebDriver脚本运行的时候，它们之间是如何通信的呢？为什么同一个browser driver即可以处理java语言的脚本，也可以处理python语言的脚本呢？

让我们来看一下，一条Selenium脚本执行时后端都发生了哪些事情：

1. 对于每一条Selenium脚本，一个http请求会被创建并且发送给浏览器的驱动
2. 浏览器驱动中包含了一个HTTP Server，用来接收这些http请求
3. HTTP Server接收到请求后根据请求来具体操控对应的浏览器
4. 浏览器执行具体的测试步骤
5. 浏览器将步骤执行结果返回给HTTP Server
6. HTTP Server又将结果返回给Selenium的脚本，如果是错误的http代码我们就会在控制台看到对应的报错信息。

2.2、安装

2.2.1、selenium安装

终端输入命令：

pip  install selenium

2.2.2、浏览器驱动安装

chrome驱动下载地址：https://chromedriver.storage.googleapis.com/index.html

注意：每个驱动该对应每个浏览器；有时候浏览器会自动升级，导致浏览器不可用；

2.3、元素选取

2.3.1、find_element(s)by_…方法

在一个页面中有很多不同的策略可以定位一个元素。我们可以选择最合适的方法去查找元素。Selenium提供了下列的方法：

注： 其中的element加上一个s，则是对应的多个元素的查找方法.

示例：
注意：webdriver.Chrome()的参数是你驱动的位置，当然如果有放到python文件的Scripts下或者有添加到环境变量中就可以不用写

from selenium import webdriver

wb = webdriver.Chrome(r'D:\SoftWare\Python\Python36\Scripts\chromedriver.exe')
wb.get('https://www.51zxw.net/List.aspx?cid=451')
#点击“首页”
#通过Xpath查找
home_page =wb.find_element_by_xpath('//div[@class="headLinks ml-10"]/a')
# 通过css选择器查找
# home_page =wb.find_element_by_css_selector('.headLinks a')
home_page.click()

结果展示：

2.3.2、By对象查找

By对象导入： from selenium.webdriver.common.by import By

除了以上的多种查找方式，还有两种私有方法集成了上面的所有的查找方法，让我们更方便的使用：

其中的第一个参数可以选择使用查找的方法，By.xxx使用xxx方式解析，解析方法如下：

• ID：通过id属性查找
• XPATH ：通过Xpath查找
• LINK_TEXT：通过链接文本查找
• PARTIAL_LINK_TEXT ：通过链接文本的部分匹配查找
• NAME：通过name属性进行查找
• TAG_NAME：通过标签名查找
• CLASS_NAME：通过class属性查找
• CSS_SELECTOR ：通过css选择器查找

示例：

from selenium import webdriver
from selenium.webdriver.common.by import By

wb = webdriver.Chrome()  #驱动已经添加到环境变量，所以可以不用写参数
wb.get('https://www.51zxw.net/List.aspx?cid=451')

#通过Xpath查找
home_page = wb.find_element(By.XPATH,'//div[@class="headLinks ml-10"]/a')
home_page.click()

结果展示：

2.3.3、文本输入/提交

当我们需要通过selenium完成一个在网站中进行搜索的功能，前面我们已经知道了如何选取定位一个元素了，假如是定位到了一个输入框的元素，那么我们就要进行查询数据的输入和提交了。

示例：

from selenium import webdriver
from selenium.webdriver.common.by import By

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')

#通过id属性定位到搜索框
home_page = wb.find_element_by_id("keyWordsT")
#搜索框输入 Python
home_page.send_keys('Python')
#定位到搜索按钮
submitbtn = wb.find_element_by_xpath('//button[@type="submit"]')
#点击搜索按钮
submitbtn.click()

结果展示：

三、动作切换

3.1、窗口切换

在开始讲解之前我们先来看一个示例：

from selenium import webdriver
from selenium.webdriver.common.by import By

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')
print(wb.title)

openjs = 'window.open("https://www.csdn.net/")'
wb.execute_script(openjs)
print(wb.title)

结果：

程序开发-我要自学网
程序开发-我要自学网

通过结果我们可以看到，虽然浏览器给我们打开了第二个窗口并且停留在第二个窗口，但是其本质还是停留在第一个打开的窗口，因此我们需要进行窗口切换。

用selenium操作浏览器如果需要在打开新的页面，这个时候会有这个问题，因为我们用selenium操作的是第一个打开的窗口，所以新打开的页面我们是无法去操作的，所以我们要用到切换窗口：即handle切换的方法

注意：

• window_handles 的顺序并不是浏览器上标签的顺序，尽量避免多标签操作

示例：

from selenium import webdriver

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')
print(wb.title)  #当前打印窗口的标题

openjs = 'window.open("https://www.csdn.net/")'
wb.execute_script(openjs)
print(wb.title)  #当前打印窗口的标题

print('所有页面窗口的句柄: ',wb.window_handles)  #打印所有页面窗口的句柄
print('当前页面窗口的句柄: ',wb.current_window_handle) #获取当前页面窗口的句柄

wb.switch_to.window(wb.window_handles[1])  #通过上面打印比较  定位页面转到第二个窗口页面
print(wb.title) #获取当前页面窗口的句柄

结果：

程序开发-我要自学网
程序开发-我要自学网     #我们还没切换句柄，所以是还是第一个窗口
所有页面窗口的句柄:  ['CDwindow-4ACAD14BE66BD92795930B70D8CA1FA7', 'CDwindow-C1D8821CFEBFE3A0C0AF456231EF2CB3']
当前页面窗口的句柄:  CDwindow-4ACAD14BE66BD92795930B70D8CA1FA7
CSDN - 专业开发者社区

由于很难知道其他页面对应的handle是什么，如果只有少数的标签也许还能应付，但是当打开了相当多标签时就很难对他们进行处理了，所以要尽量避免多标签的操作。

3.2、页面(frame)切换

在实际的爬虫中，明明定位的路径没问题，这个时候我们可以考虑一下是否是该页面存在frame的问题导有时候我们会遇到找不到元素的问题致的定位不到元素。

知识点补充：什么是frame呢？
frame是一个框架标签，通过使用框架可以在一个浏览器窗口中显示不止一个页面，也就是说，在一个窗口中展示多个页面，每个页面称之为一个框架，并且每个框架独立于其他的框架。这个frame标签一共有三种，分别是frameset、frame、iframe，frameset跟其他普通标签没有区别，不会影响到正常的定位，而frame与iframe对selenium定位而言是一样的，selenium有一组方法对frame进行操作。reference是传入的参数，用来定位frame，可以传入id、name、index以及selenium的WebElement对象

简单示例：

import time
from selenium import webdriver

wb = webdriver.Chrome()
wb.get('https://study.163.com/')

# 关闭页面弹出的小窗口
ok_btn = wb.find_element_by_xpath('//span[@class="ux-btn th-bk-main ux-btn- ux-btn- ux-modal-btn um-modal-btn_ok th-bk-main"]')
ok_btn.click()
# 登录窗口
login_btn = wb.find_element_by_xpath('//div[@class="go-login f-ib th-fs0fc6"]')
login_btn.click()

time.sleep(2)  #先等2秒，代码执行过快，登录输入框加载需要时间，否则会出错
# 切换frame
fr = wb.find_element_by_xpath('//iframe[@frameborder="0"]')
wb.switch_to.frame(fr)

# 账号输入框输入
name_input = wb.find_element_by_id('phoneipt')
name_input.send_keys('123456789')
# 密码输入
pwd_input = wb.find_element_by_xpath('//input[@class="j-inputtext dlemail"]')
pwd_input.send_keys('10987654321')

结果展示：

3.2、页面弹窗

有的时候还会遇到弹窗的问题， 主要有两种一种是浏览器弹窗（alert/prompt），另一种是自定义弹窗。自定义弹窗，就是一个自定义的div层，是隐藏页面中的，当触发了这个弹窗后，他就显示出来，这种方式我们通过正常的定位方式是可以定位到的。

alert弹窗，就要用下面的方法处理：

示例：
测试html代码：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>selenium</title>
</head>
<body>
    <input id="alert" value="alert" type="button" onclick="alert('this is alert!!!')">
    <input id="confirm" value="confirm" type="button" onclick="confirm('this is confirm!!!')">
    <input id="prompt" value="prompt" type="button" onclick="var name = prompt('请输入用户名：','请输入');document.write(name)">
</body>
</html>

效果：

python代码：

import time
from selenium import webdriver

wb = webdriver.Chrome()
wb.get(r'D:\html test\一些示例\ex.html')
# alert 弹窗
wb.find_element_by_id("alert").click()
alert_tag = wb.switch_to.alert
print(alert_tag.text)
time.sleep(2)   #稍微延迟下，看得比较直观
alert_tag.accept()

# prompt 弹窗
# 
# wb.find_element_by_id("prompt").click()
# prompt_tag = wb.switch_to.alert
# print(prompt_tag.text)
# prompt_tag.send_keys('hello world!!!')
# time.sleep(2)  #稍微延迟下，看得比较直观
# prompt_tag.accept()


# confirm 弹窗
# 
# wb.find_element_by_id("confirm").click()
# confirm_tag = wb.switch_to.alert
# print(confirm_tag.text)
# time.sleep(2)   #稍微延迟下，看得比较直观
# confirm_tag.accept()

结果展示(这里我就只演示一个)：

打印结果：

this is alert!!!

四、等待

4.1、简介

在selenium操作浏览器的过程中，每一次请求url，selenium都会等待页面加载完成以后，才会将操作权限在交给我们的程序。

?但是，由于ajax和各种JS代码的异步加载问题，当一个页面被加载到浏览器时，该页面内的元素可以在不同的时间点被加载，这就使得元素的定位变得十分困难，当元素不再页面中时，使用selenium去查找的时候会抛出ElementNotVisibleException异常。

? 为了解决这个问题，selenium提供了两种等待页面加载的方式，显示等待和隐式等待，让我们可以等待元素加载完成后在进行操作。

4.2、显式等待

显式等待： 显式等待指定某个条件，然后设置最长等待时间，程序每隔XX时间看一眼，如果条件成立，则执行下一步，否则继续等待，直到超过设置的最长时间，然后抛出超时异常(TimeoutException)。

显示等待主要使用了WebDriverWait类与expected_conditions模块。

一般写法：

WebDriverWait(driver, timeout, poll_frequency, igonred_exceptions).until(method, message)

参数：

• Driver：传入WebDriver实例。
• timeout: 超时时间，等待的最长时间（同时要考虑隐性等待时间）
• poll_frequency: 调用until中的方法的间隔时间，默认是0.5秒
• ignored_exceptions: 忽略的异常，如果在调用until的过程中抛出这个元组中的异常，则不中断代码，继续等待。
• Method：可执行方法
• Message：超时时返回的信息

4.3、expected_conditions条件

expected_conditions是selenium的一个子模块，其中包含一系列可用于判断的条件，配合该类的方法，就能够根据条件而进行灵活地等待了。

4.4、隐性等待

隐性等待implicitly_wait(xx) ：设置了一个最长等待时间，如果在规定时间内网页加载完成，则执行下一步，否则一直等到时间截止，然后执行下一步。

弊端就是程序会一直等待整个页面加载完成，就算你需要的元素加载出来了还是需要等待。，也就是一般情况下你看到浏览器标签栏那个小圈不再转，才会执行下一步。

隐性等待对整个driver的周期都起作用，所以只要设置一次即可；
隐性等待和显性等待可以同时用，但要注意：等待的最长时间取两者之中的大者；

默认等待时间为0，可以通过下面的方式设置：

from selenium import webdriver
driver = webdriver.Chrome()
······
driver.implicitly_wait(10)        #隐式等待，最长10s
······

示例：

4.5、强制等待

强制等待就是不论如何，在此处都需要阻塞等待一段时间，使用方式如下：

import time
time.sleep(3)  #等待3秒

4.6、代码示例

from selenium import webdriver
import time
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By

wb = webdriver.Chrome()
wb.get('https://study.163.com/')

# 关闭页面弹出的小窗口
ok_btn = wb.find_element_by_xpath('//span[@class="ux-btn th-bk-main ux-btn- ux-btn- ux-modal-btn um-modal-btn_ok th-bk-main"]')
ok_btn.click()
# 登录窗口
login_btn = wb.find_element_by_xpath('//div[@class="go-login f-ib th-fs0fc6"]')
login_btn.click()

#设置显示等待
locater = (By.XPATH,'//iframe[@frameborder="0"]')
WebDriverWait(driver=wb,timeout=3,poll_frequency=0.4).until(EC.presence_of_element_located(locater),message='找不到元素!')
#隐式等待  最长3s
# wb.implicitly_wait(3)
# 强制等待  3s
# time.sleep(3)  

# 切换frame   加载需要时间，所以要设等待
fr = wb.find_element_by_xpath('//iframe[@frameborder="0"]')
wb.switch_to.frame(fr)
# 账号输入框输入
name_input = wb.find_element_by_id('phoneipt')
name_input.send_keys('123456789')
# 密码输入
pwd_input = wb.find_element_by_xpath('//input[@class="j-inputtext dlemail"]')
pwd_input.send_keys('10987654321')

五、动作链

在selenium当中除了简单的点击动作外，还有一些稍微复杂的动作，就需要用到ActionChains（动作链）这个子模块来满足我们的需求。

ActionChains可以完成复杂一点的页面交互行为，例如元素的拖拽，鼠标移动，悬停行为，内容菜单交互。

它的执行原理就是当调用ActionChains方法的时候不会立即执行，而是将所有的操作暂时储存在一个队列中，当调用perform()方法的时候，会按照队列中放入的先后顺序执行前面的操作。

ActionChains包：from selenium.webdriver.common.action_chains import ActionChains

示例：

import time
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains

driver = webdriver.Chrome()

driver.get('http://www.treejs.cn/v3/demo/cn/exedit/drag.html')
time.sleep(2)
element1 = driver.find_element_by_id('treeDemo_2_span')
target = driver.find_element_by_id('treeDemo_3_span')
ActionChains(driver).drag_and_drop(element1, target).perform()

element2 = driver.find_element_by_id('treeDemo_12_span')
ActionChains(driver).drag_and_drop(element2,target).perform()

结果展示：

六、补充知识点

6.1、常用方法

6.2、无界面设置

from  selenium.webdriver.chrome.options import Options
from selenium import   webdriver

chrome_options=Options()
chrome_options.add_argument("--headless")
drive = webdriver.Chrome(options=chrome_options)

drive.get('https://www.51zxw.net/List.aspx?cid=451')
print(drive.page_source)  #获取网页源码